La visibilité au prisme de la langue et de la géographie

Dans le corpus AI100, il existe déjà un article sur la « bulle de réponses » — cet effet par lequel une marque apparaît différemment dans ChatGPT, Google, Copilot et Perplexity. Mais il existe une autre couche de divergence, plus rarement perçue par les entreprises : la même marque, la même plateforme, mais une autre langue de requête — et la réponse change radicalement. Une entreprise qui figure de façon stable dans le top 3 des recommandations de ChatGPT en anglais peut ne pas être mentionnée du tout en réponse à la même question en russe, en arabe ou en japonais.

Ce n’est pas un dysfonctionnement. C’est une conséquence directe de la manière dont sont construits les systèmes d’IA contemporains. Un modèle de langage est entraîné sur des corpus de textes, et la distribution de ces textes selon les langues est extrêmement inégale. L’anglais domine dans les données d’entraînement de la plupart des grands modèles. Cela signifie que, pour les requêtes en anglais, le modèle dispose d’une cartographie des entités, des propriétés et des relations plus dense et plus actuelle. Pour les langues moins représentées, cette cartographie est plus clairsemée : certaines marques y sont présentes, d’autres non, et d’autres encore y figurent avec des attributs déformés.

Le problème a cessé d’être marginal à partir du moment où les systèmes de réponse sont sortis du seul anglais à grande échelle. En mai 2025, Google AI Overviews fonctionnait dans plus de 200 pays et en 40 langues [1]. AI Mode, lancé en mars 2025 uniquement en anglais, s’est étendu à près de 100 langues d’ici février 2026, au fil de trois grandes vagues : novembre 2025 (35 langues), février 2026 (53 langues) [2]. ChatGPT sert plus de 900 millions d’utilisateurs actifs hebdomadaires dans le monde, dont une part significative utilise le service dans d’autres langues que l’anglais [3].

Pour une marque internationale, cela signifie qu’il faut vérifier la visibilité dans l’IA non pas dans une seule langue, mais dans chacune des langues où ses marchés opèrent. Une seule exécution en anglais ne dit rien de l’apparence réelle de la marque en espagnol, en allemand ou en chinois.

Le premier mécanisme est l’asymétrie des données d’entraînement. Une marque abondamment décrite dans les médias, les revues et les catalogues anglophones peut être faiblement représentée dans le segment russophone ou arabophone d’internet. Le modèle la connaît dans une langue, mais, littéralement, ne la « rappelle » pas dans l’autre. Ce n’est pas une question de traduction — c’est une question de présence dans les sources du segment linguistique concerné.

Le deuxième mécanisme est la différence de comportement de l’extraction web. Lorsqu’un système de réponse utilise la recherche web pour compléter sa réponse (comme le font ChatGPT Search, AI Overviews ou Perplexity), il recherche des sources dans la langue de la requête. Si la marque ne dispose pas d’un contenu de qualité dans cette langue, le système trouvera des concurrents qui, eux, en ont. L’utilisateur recevra une recommandation sans votre marque — non parce qu’elle est moins bonne, mais parce qu’elle n’existe pas dans cette langue.

Le troisième mécanisme est la substitution de catégorie par la langue. Un même produit peut relever de catégories différentes selon les cultures linguistiques. Ce qui, en anglais, se décrit comme une « analytics platform » peut être interprété en russe comme un « service de reporting » ou un « système d’analyse décisionnelle » — et chacun de ces termes attire un ensemble différent de concurrents et de critères de comparaison. Le modèle hérite de ces différences catégorielles à partir des données d’entraînement.

La langue n’est pas la seule variable. La géographie modifie elle aussi la réponse. Google AI Mode et AI Overviews tiennent compte de la localisation de l’utilisateur dans la formulation de la réponse [1]. Perplexity extrait des sources web en tenant compte de la pertinence régionale. Cela signifie qu’une même requête en anglais, lancée depuis Londres ou depuis Singapour, peut produire des résultats différents — avec des concurrents différents, des prix différents et des recommandations différentes.

Pour les marques qui ont plusieurs versions régionales de leur site, cela ajoute une couche supplémentaire de complexité. Il faut vérifier non seulement « sommes-nous visibles en anglais », mais aussi « sommes-nous visibles en anglais depuis le Royaume-Uni », « sommes-nous visibles en anglais depuis l’Inde », « sommes-nous visibles en allemand depuis l’Allemagne et depuis la Suisse ».

Le problème est aggravé par le fait que les réponses des systèmes d’IA sont stochastiques par nature. D’après SparkToro, la probabilité que ChatGPT ou Google AI produisent, sur 100 requêtes répétées, la même liste de marques dans au moins deux réponses est inférieure à 1 % [4]. Chaque réponse est un tirage probabiliste, et non un résultat déterministe. Le changement de langue et de géographie ajoute encore une couche à cette stochasticité.

Pour le diagnostic, cela signifie qu’une seule exécution ne suffit pas, même dans une seule langue. Et pour une marque internationale, le diagnostic minimalement pertinent exige une matrice : plusieurs langues × plusieurs plateformes × plusieurs répétitions.

Pour une entreprise présente sur plusieurs marchés, le diagnostic linguistique et géographique n’est pas un luxe, mais une hygiène de base. Voici le minimum pertinent :

Vérifier la visibilité dans chaque langue où la marque veut être visible. Ne pas supposer qu’une position forte en anglais se transpose automatiquement aux autres langues.

Créer du contenu dans la langue cible, au lieu de s’en remettre à la traduction automatique. Les modèles sont entraînés sur des textes humains, et la langue de la traduction automatique ne coïncide souvent pas avec la langue de la demande réelle dans la culture concernée.

S’assurer que le contour externe de confiance (revues, catalogues, médias sectoriels) couvre les langues cibles. Une marque disposant de 50 revues anglophones et d’aucune revue russophone sera invisible pour le modèle lorsqu’il répondra à une requête en russe.

Ajouter des libellés multilingues dans Wikidata. C’est l’un des moyens les plus rapides de fournir aux systèmes d’IA un ancrage d’entité dans plusieurs langues.